Librarian Agents: Training LLMs to Curate Long-Context Workspaces that Anticipate Future Queries

이 논문은 미래 질문에 대비해 문서 묶음을 미리 재편성하는 사서 에이전트를 강화학습으로 훈련하는 문제를 풀었다.

이 논문은 한마디로 질문이 오기 전에 문서를 미리 정리하는 빌더 에이전트를 강화학습으로 훈련해 긴 문서 질의 응답 성능을 크게 올린 연구다. 빌더 에이전트는 날문서 묶음을 합성 파일과 참조 링크로 이루어진 계층 파일시스템 작업 공간으로 바꾼다. 이 작업 공간을 한 번 만들면 답변 에이전트가 같은 문서 집합에 겹치는 여러 질문에 재사용할 수 있다. BrowseComp-Plus와 학습하지 않은 BRIGHT 도메인에서 기존 검색 및 사전 계산 방법보다 앞서는 결과를 보였다.

핵심 요약

• 빌더 에이전트가 날문서를 합성 파일과 참조 링크의 계층 파일시스템으로 바꾸는 Librarian Agents 틀을 만들었다.
• 파일시스템 작업 공간 구성을 MDP로 정식화하고 강화학습으로 빌더 정책을 직접 최적화해 답변 정확도를 높였다.
• BrowseComp-Plus에서 가장 강한 기준보다 평균 33 percentage points 앞섰고 Gemini 3.1 Flash Lite 답변 에이전트로 0.77 정확도를 얻었다.
• 학습하지 않은 BRIGHT 도메인에서도 제로샷으로 pass@1 52%, pass@3 67%를 기록했다.
• 작업 공간 구축 비용은 반복 질문으로 나누어 회수되며, 재사용 평가에서 정확도 0.64 대 기본 빌더 0.24를 보였다.
• 한계로 압축이 바늘찾기 질문에 필요한 세부 사실을 잃을 수 있어서, 원문 참조 링크를 남겨 대비한다고 밝혔다.

논문 링크

외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.